基于生物学原理的循环神经网络中的元学习方法，用于葡萄糖-胰岛素动态的个性化系统识别

《IEEE Transactions on Control Systems Technology》：Meta-Learning in Biologically Informed Recurrent Neural Networks for Personalized System Identification of Glucose–Insulin Dynamics

　　

摘要：

1型糖尿病的管理是一项重大挑战，因为需要持续调控血糖水平。人工胰腺等自动化系统通过利用精确的患者特异性模型来满足这一需求。由于简单且适合控制设计，线性模型在这一领域被广泛采用。然而，其线性结构难以捕捉血糖-胰岛素系统的复杂动态，从而导致性能下降。而不同患者之间血糖-胰岛素动态的显著差异进一步加剧了这一问题。线性模型的有效替代方案是循环神经网络，它们具有更高的表达能力，同时复杂度也适合用于控制目的。不过，当训练数据量较少时，这类网络可能会出现过拟合现象。在本研究中，我们遵循知识引导学习框架，在RNN的训练过程中融入关于血糖-胰岛素关系的先验生理知识，以此解决这一问题。此外，我们还采用模型无关的元学习方法来应对不同患者之间的差异。通过UVA/Padova模拟器进行了系统性结果分析，结果表明所提出的方法能够在保持适度复杂度的同时提升识别性能。